本篇研究针对全球最昂贵的自然灾害类型——洪水灾害进行监测，使用深度学习技术进行高分辨率遥感图像中的洪水辨识，效果优于现有技术，评价指标Jaccard Index提升了1至4个百分点。

Nov, 2017

本研究提出了一种基于图卷积GRUs网络的模型，通过上游河网对传感器位置未来36小时内的水文流量进行预测。实验结果表明，该模型在短期内的水文流量预测方面比持续性基线和卷积双向GRU网络都表现更好，有望在未来的洪水预防和减灾中发挥重要作用。

Jul, 2021

本研究探索了一种基于机器学习的方法，利用流域区的物理特征和过去降雨量和温度变化的时空信息，通过稠密水流量预测模型，精确预测内陆水流量强度，为应对洪水的风险和损害提供决策依据。

Apr, 2023

我们开发了一种基于人工智能的模型，能够提前七天预测极端水文事件，该模型在全球各大洲、各种提前期和重现期下均优于现有的全球水文模型，特别适用于没有测量的流域，该研究的成果已被纳入全球超过80个国家的运行中的预警系统，提供免费的实时预测。

Jul, 2023

基于一种新型无监督图深度学习模型（称为FloodRisk-Net），本研究提出了一个集成的城市洪水风险评级模型，能够捕捉区域间的空间依赖关系和洪水危险和城市特征之间的复杂非线性相互作用，以确定突发洪水风险。利用美国多个都市统计区（MSAs）的数据，该模型将风险评级分为六个不同的城市特定级别，通过对每个MSA中的区域进行特征分析，可识别出塑造最高洪水风险的三种典型形态。洪水风险在每个MSA内以分层结构的空间分布，其中核心城市承担了最高的洪水风险。发现多个城市存在高整体洪水风险水平和低空间不平等，说明在城市发展和洪水风险减少之间的平衡选择有限。讨论了相关的洪水风险减少策略，考虑到最高洪水风险和洪水风险的空间分布不均等的形成方式。

Sep, 2023

借助涵洞、闸门和泵等水力结构，通过提前释放水来降低水位，有效地减轻或防止洪水的发生。本文提出了一种名为 FIDLAR 的深度学习结构，通过平衡洪水管理和预先释放的水资源浪费来实现水域洪水管理的最佳结果。通过在美国南佛罗里达水管理地区进行实验，结果表明 FIDLAR 相较于现有的先进技术在速度和水资源预放排清单上表现出更好的性能。该文的主要贡献在于有效使用模型解释工具，以理解各种环境因素对其决策的影响。

Oct, 2023

在这项研究中，我们将CNN-LSTMs的应用扩展到时间序列设置中，利用滞后的水流数据与降水和温度数据相结合，预测水流状况，并在内布拉斯加州的32个HUC8流域中的21个流域中取得了显著的预测性能改进，展示了Kling-Gupta效率值的显著增加，从而突出了CNN-LSTMs在时间序列设置中的效果，特别适用于准确且鲁棒的水流预测的时空水文建模。

Apr, 2024

利用深度学习模型中的时序卷积网络（TCN），在喜马拉雅山流域的喜马拉雅区进行雪融驱动的径流建模，结果表明TCN模型优于传统机器学习方法，适用于雪融驱动的流量预测及类似水文应用。

Apr, 2024

在追求计算效率的过程中，提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架，通过与地质统计回归方法和传统机器学习方法进行性能验证，表明其对预测质量的显著提升，并提供了阿布扎比海岸的综合数据集，用于评估未来的沿海洪水预测模型。

Jun, 2024

本研究解决了风暴潮建模中深度学习架构性能比较的空白，评估了CNN-LSTM、LSTM和3D-CNN模型在坦帕湾地区的表现。研究表明，CNN-LSTM模型在预测准确性和极端条件下的稳定性方面优于其它架构，为风暴潮预测提供了有效的工具。

Aug, 2024